R语言使用str_detect筛选核型样本时漏检45,X问题问询

常见诱因 #

• 大小写匹配问题：str_detect默认区分大小写，若大文件中的核型字符X为小写x，或Karyotype列名大小写与测试集不一致，会直接导致匹配失败。
• 字符串格式差异：测试集中的"45, X"带有空格，若大文件中对应记录为无空格的"45,X"、存在多余制表符/换行符、或使用中文全角字符Ｘ，都会无法被正常匹配。
• 缺失值干扰：大文件的Karyotype列如果存在NA值，str_detect处理NA时会返回NA，filter会直接丢弃对应行，若"45, X"的记录因导入异常被识别为NA就会被漏检。
• 前置操作误删：如果导入大文件后做过去重、缺失值过滤等前置处理，可能提前将"45, X"的样本从数据框中移除，后续筛选自然找不到对应记录。

解决方案 #

1. 统一大小写匹配规则：匹配时开启忽略大小写设置，避免大小写差异导致的漏匹配：

females <- df %>% 
  filter(!str_detect(Karyotype, regex("Y", ignore_case = TRUE))) %>%
  filter(str_detect(Karyotype, regex("X", ignore_case = TRUE)))

2. 标准化核型字符串格式：先清理Karyotype列的多余空白、特殊字符，统一为半角大写后再做筛选：

library(stringr)
library(dplyr)
# 预处理核型列
df <- df %>%
  mutate(Karyotype = str_squish(Karyotype) %>% # 移除前后/多余中间空白
           str_to_upper() %>% # 统一转为大写
           iconv(to = "ASCII//TRANSLIT")) # 全角字符转半角

3. 排查数据完整性：先统计大文件中核型列的所有取值，确认"45, X"（或其格式变体）确实存在且未被标记为NA：

# 查看所有核型取值及出现次数，包含NA
table(df$Karyotype, useNA = "ifany")
# 模糊检索所有45,X相关记录
df %>% filter(str_detect(Karyotype, regex("45.*X", ignore_case = TRUE)))

4. 合并筛选逻辑：将两步过滤合并为单步操作，减少中间变量操作带来的意外误差：

females <- df %>%
  filter(
    str_detect(Karyotype, regex("X", ignore_case = TRUE)),
    !str_detect(Karyotype, regex("Y", ignore_case = TRUE))
  )

内容的提问来源于stack exchange，提问作者TSpeller